Algoritmos de Aprendizado de Máquina para Classificação de
Células Nucleadas do Sangue Periférico - Uma Experiência do
Projeto Hemovision
Mariana Dourado X. S. Santos,1 William Laus Bertemes,2 Iaan Mesquita de Souza,1
Mateus Henrique B. Andrades, 1 David Antonio T. M. Barros,1 Vinicius Sebba Patto1
1
Instituto de Informática – Universidade Federal de Goiás (UFG), Caixa Postal 131,
74.001-970, Goiânia, GO, Brasil
2
Hospital das Clínicas – Universidade Federal de Goiás (UFG), Primeira Avenida, Nº 545,
Setor Leste Universitário, 74.605-020, Goiânia, GO, Brasil
marianadourado@discente.ufg.br, williambertemess@gmail.com,
iaanmesquita@discente.ufg.br, mateus_henrique@discente.ufg.br,
davidbarros@discente.ufg.br, viniciussebba@ufg.br
Abstract. This research deals with the use of machine learning algorithms to
classify nucleated peripheral blood cells. The ResNet18 convolutional neural
network was used to pre-process the images and replace the dense layers; and for
the output, the Support Vector Machine (SVM) classifier was chosen. Images
provided by an image classification study at Hospital das Clínicas de Barcelona
were used, containing eight classes. The developed model obtained an average
accuracy of 97.2%, and the average F1-Score of 97%, with some classes obtaining
averages close to 100%, while others, 95%. In face of the obtained results, it was
found that machine learning algorithms can be satisfactorily integrated into
educational and diagnostic support processes.
Resumo. Este trabalho trata do uso de algoritmos de aprendizado de máquina para
classificação de células nucleadas do sangue periférico. Foi utilizada a rede neural
convolucional ResNet18 para o pré-processamento das imagens e em substituição
às camadas densas; e para a saída foi escolhido o classificador Support Vector
Machine (SVM). Foram usadas imagens disponibilizadas por um estudo de
classificação de imagem do Hospital das Clínicas de Barcelona, contendo oito
classes. O modelo desenvolvido obteve uma acurácia média de 97.2%, e o
F1-Score médio de 97%, sendo que algumas classes obtiveram médias próximas de
100%, enquanto outras, de 95%. Diante dos resultados encontrados, constatou-se
que os algoritmos de aprendizado de máquina podem ser integrados de forma
satisfatória aos processos educacionais e de apoio ao diagnóstico.
1. Introdução
O hemograma é o exame complementar mais pedido no mundo, é integrante na triagem em
saúde e coadjuvante quase que indispensável no diagnóstico e acompanhamento evolutivo
das doenças crônicas em geral, das doenças infecciosas, das emergências médicas e no
acompanhamento de quimioterapia e radioterapia, tendo ampla relação com os demais
exames de patologia clínica [Failace and Fernandes 2015].
Com o desenvolvimento de sofisticados analisadores automatizados de células
sanguíneas para a realização do hemograma, a quantidade de amostras que requerem a
realização de uma distensão de sangue para a avaliação morfológica diminuiu muito e em
muitos ambientes clínicos é em torno de 10% a 15% da rotina de amostras. No entanto, a
distensão de sangue continua a ser um auxílio diagnóstico crucial [Bain 2005]
Para que se obtenha o máximo de informações clinicamente relevantes da análise
morfológica de uma distensão sanguínea, o procedimento deve ser realizado por uma pessoa
bastante experiente em microscopia hematológica, seja ela um patologista clínico ou um
médico hematologista. Dado que, conhecer as alterações incomuns no sangue periférico e a
sua morfologia permite que o analista faça diagnósticos precisos e sugira, de forma
direcionada e econômica, a realização de outros exames complementares [Bain 2005],
[Chabot-Richards and Foucar 2017].
No entanto, muitas vezes essa experiência é desenvolvida ao longo de vários anos e
após vivenciar diferentes casos clínicos para poder realizar a classificação correta das células
sanguíneas e de suas alterações morfológicas. Ainda assim, a microscopia óptica é o padrão
ouro para análise micromorfológica das distensões sanguíneas, apesar de ser bastante
laboriosa e por vezes subjetiva, por isso vários métodos objetivos já têm sido propostos para
auxiliar nesse processo e ajudar nos fluxos de trabalho no laboratório de hematologia, como é
o caso do uso de Aprendizado de Máquina (ou simplesmente ML, do inglês, Machine
Learning) para classificação e reconhecimento de padrões em imagens de células.
O maior apelo para o uso desses modelos computacionais para interpretação de dados
é a sua habilidade de aprender a partir de exemplos. Dentre os algoritmos de ML mais
utilizados para imagens laboratoriais, destacam-se as Redes Neurais Artificiais (RNA). Sendo
assim, as RNA têm sido amplamente utilizadas para modelagem de dados não lineares,
complexos e multidimensionais [Jun, et al. 2019], [Chen, et al. 1990]. Vale destacar também,
que as RNA evoluíram para RNA profundas, que deram origem ao termo Deep Learning
(DL, que em português significa Aprendizado Profundo), uma tecnologia que tem sido
amplamente aplicada em processamento de imagem [He, et al. 2019], [Jordan and Mitchell
2015]. Seu sucesso é notado no campo de imagens médicas [Liang et al. 2018], [Bo, et al.
2018], [Liu, et al. 2017] para classificação [Irvin, et al. 2019], detecção de objetos [Isensee et
al. 2018] e segmentação [Abdulkadir et al. 2016], [Duan et al. 2019].
Devido a essa habilidade, as RNA (incluindo as RNA profundas) podem ser
consideradas uma boa alternativa para reconhecimento de padrões e classificação de imagens.
Diversas pesquisas têm sido realizadas para avaliar a eficácia das RNA na classificação do
diferencial de leucócitos do sangue periférico [Acevedo et al. 2019]. Além das RNA, também
pode-se utilizar outros algoritmos de ML, tais como Support Vector Machine (SVM),
K-Nearest Neighbors (KNN), Decision Tree (DT) e Random Forest (RF), para classificação
de células brancas sanguíneas, como no estudo conduzido por Wibawa S. (2018).
Vale destacar que há diversas bases de dados disponíveis de células sanguíneas,
sugerindo grande possibilidade de estudos. Este cenário permite o emprego de diversos
algoritmos de ML em aplicativo para que se possa apoiar, por exemplo, análises diagnósticas,
preditivas e prescritivas [Weber and Coskunoglu 1990]. Todavia, o uso dos algoritmos de ML
para esse fim ainda está muito distante do cotidiano da maioria dos patologistas clínicos e dos
estudantes dessa área; dessa forma, justifica-se e motiva-se a execução deste trabalho.
Como a microscopia ótica é o padrão ouro para a análise micromorfológica das
distensões sanguíneas, é de suma importância neste trabalho a obtenção de boas taxas de
acerto na classificação das células sanguíneas, haja vista que essa classificação costuma ser
usada em diagnósticos médicos. Diante disso, é importante realizar diversos testes com
diferentes parâmetros em diferentes algoritmos de ML encontrados no estado da arte.
Diante disso, o principal objetivo deste trabalho foi fazer um estudo dos artigos mais
relevantes em classificação de imagens de células sanguíneas e replicá-los neste trabalho, em
conformidade com os tipos celulares considerados no projeto Hemovision. Por conseguinte,
foi possível identificar os algoritmos de ML mais interessantes para serem executados no
back-end do aplicativo Hemovision, de acordo com as resoluções de imagens e bancos de
imagens utilizados nos testes, até o presente momento.
Este estudo foi desenvolvido no âmbito do projeto de pesquisa Decision Support
Prototypes for Intelligent and Outstanding Findings (SPIN-OFF), cujas atividades são
voltadas ao entendimento de sistemas e criação de soluções ou protótipos para apoio à
decisão. Neste artigo, é abordado o protótipo Hemovision, um subprojeto do SPIN-OFF, no
qual imagens de células nucleadas do sangue periférico são classificadas por usuários e por
algoritmos de ML. O Hemovision é composto por um aplicativo para dispositivos móveis e
algoritmos de ML, no back-end. Um dos objetivos do Hemovision é auxiliar estudantes da
área de saúde, especialmente em hematologia, a entender melhor determinadas células
sanguíneas e promover o interesse e o debate pelo assunto.
Este artigo está estruturado da seguinte maneira: na Seção 2, são apresentados
trabalhos do estado da arte em classificação de imagens de células sanguíneas; na Seção 3 é
descrita a metodologia usada neste trabalho, envolvendo a base de dados utilizada para treino
e teste do modelo, além do algoritmos implementados e suas respectivas configurações; na
Seção 4, estão apresentados os resultados dos experimentos desenvolvidos neste trabalho; em
seguida, na Seção 5, são feitas algumas considerações importantes sobre as realizações dos
experimentos e sobre os valores apresentados na seção anterior; por último, as conclusões e
os trabalhos futuros são apresentados na Seção 6. As referências utilizadas neste artigo estão
apresentadas na última seção, Referências.
2. O estado da arte
Trabalhos atuais em classificação de imagens celulares se baseiam em quatro estágios:
pré-processamento [He, et al. 2019], [Jordan and Mitchell 2015], segmentação
[Puttamadegowda and Prasannakumar 2016], extração de características [Gautam and
Bhadauria 2014] e classificação [Alreza and Karimian 2016]. Para cada um deles, um
algoritmo específico é utilizado a fim de se obter o melhor resultado. Em se tratando do
pré-processamento, a técnica de data augmentation [Perez and Wang 2017] pode ser
aplicada para aumentar o número de imagens e, assim, aprimorar a acurácia do modelo de
ML.
Yao et al. (2021), verificou o F1-Score do modelo proposto, Two-module Weighted
Optimized Deformable Convolutional Neural Networks (TWO-DCNN), em relação aos
métodos: VGG-19, VGG-16, Inception-V3, ResNet-50, SVM, MLP, DT e RF. O melhor
resultado alcançado foi 95.7% de F1-Score, pelo TWO-DCNN, em imagens de baixa
resolução. Neste trabalho, as classes dos leucócitos levadas em conta são quatro: neutrófilos,
eosinófilos, linfócitos e monócitos. Além disso, vale ressaltar que o autor desenvolveu a
robustez e generalização do modelo ao inserir ruído nas imagens e diminuir sua resolução,
mediante deformable convolutional layers (DC).
Já Wibawa S. (2018) comparou um método de DL em relação a três algoritmos
tradicionais de ML: SVM, MLP, e KNN, para classificação de apenas duas classes de células
brancas: neutrófilos e linfócitos. A melhor acurácia obtida foi 99.5% pelo método de DL – a
qual utilizou uma Convolutional Neural Network (CNN), em comparação com 85% pelo
algoritmo de SVM, 81% pelo MLP, e 78.5% pelo KNN.
Um trabalho similar que trata de um modelo insensível a imagens de baixa resolução
é proposto por Ma et al. (2020), a Deep Convolutional Generative Adversarial Network
combinada com a ResNet (DC-GAN-ResNet). O resultado alcançado por este método foi
91.68% de acurácia, em relação a 89.38% pela RNN-CNN-ResNet50 com Long Short Term
Memory (LSTM); e 87.62% pela CNN-ResNet50. No entanto, as classes de células brancas
levadas em conta no teste são quatro: neutrófilos, eosinófilos, linfócitos e monócitos.
A técnica de data augmentation é abordada por Almezhghwi K. & Serte S. (2020) ao
inverter as imagens horizontalmente e verticalmente, além de gerar dados sintéticos a partir
da Generative Adversarial Networks (GAN). Após essa etapa de pré-processamento, a rede
DenseNet-169 inicializa os pesos treinados previamente no dataset CIFAR-100 [The CIFAR
dataset 2019], e então é comparada com as DenseNet-121, ResNet-50, ResNet-18, VGG-19 e
VGG-16 alcançando, respectivamente, a acurácia de 98.8%, 98.3%, 97.4%, 95.4%, 95.9% e
95.7%. Neste trabalho, as classes dos leucócitos levadas em conta são cinco: neutrófilos,
eosinófilos, linfócitos, monócitos e basófilos.
Outro trabalho que inicializa os pesos da rede com os pesos treinados em uma base
de dados similar é proposto por Khan A. (2021). Este método é conhecido por Transfer
Learning e é muito utilizado pela sua economia tempo de treinamento e por render uma
maior acurácia [Rawat and Wang 2017]. Além disso, a extração de características, pela
RELIEF [I. Kononenko 1994], é realizada para reduzir a redundância, o erro de classificação
e os recursos necessários do sistema. O método proposto MLANet que utiliza
Extreme-Learning Machine (ELM) e a RELIEF alcançou 99.12% de acurácia na classificação
de quatro classes de leucócitos, sendo elas neutrófilos, eosinófilos, linfócitos e monócitos.
Em suma, quanto às classes utilizadas para treinamentos e testes de modelos,
percebe-se nos trabalhos supracitados que os seus autores utilizam cinco ou quatro classes de
células. Entretanto, neste trabalho, são abordadas oito classes, sendo seis delas de leucócitos
(linfócitos, monócitos, neutrófilos, eosinófilos, basófilos, granulócitos imaturos), uma de
eritroblastos (eritrócitos nucleados); e uma de plaquetas (macroplaquetas e plaquetas
gigantes). Além disso, é importante ressaltar que a técnica de data augmentation para o
treinamento e teste do modelo está presente na maioria desses trabalhos, caracterizando-se
como uma etapa essencial do modelo. Por fim, percebe-se, também na literatura, bons
resultados de acurácia na classificação de células sanguíneas usando Transfer Learning e
CNN para alcançar uma alta acurácia na classificação das células sanguíneas.
3. Metodologia
Neste trabalho, foi utilizada a CNN ResNet18 para o pré-processamento da imagem, pelo
motivo de apresentar alta acurácia e demandar processamento razoável, como demonstra a
Figura 1, e em substituição às camadas densas – referentes à rede neural – foi escolhido o
classificador Support Vector Machine (SVM), devido ao fato deste apresentar bons resultados
em diversos trabalhos [Wibawa S. 2018] e [Yao et al. 2021]. A Figura 2 representa a
arquitetura do modelo. Entretanto, devido ao fato do SVM ser um classificador binário, a
modificação feita para envolver multiclasses é baseada no método de “One-Vs-Rest”, na qual
cada classe é comparada individualmente com todas as outras – simulando uma só classe –
até que todas tenham sido comparadas. As demais configurações utilizadas no SVM foram
escolhidas com base no método de Grid Search, no qual consiste em testar diferentes
combinações de parâmetros no treinamento do modelo e retornar a que resultou em uma
melhor acurácia. Foram realizados 3 experimentos e os parâmetros de regularização testados
foram 0.1, 1, 10 e 100; adicionalmente, foram testadas as funções Kernel Radial Basis
Function (RBF), sigmóide, polinomial e linear.
Figura 1. Tempo para os modelos realizarem inferência nos dados de validação, Almezhghwi
K. & Serte S. (2020).
Figura 2. Arquitetura do modelo de classificação.
A base de dados utilizada para teste e treino do modelo foi disponibilizada por um
estudo realizado no Hospital das Clínicas de Barcelona, que possui 17.092 imagens de oito
classes diferentes, segundo Acevedo et al. (2019). Ademais, a disposição das células por
classe pode ser evidenciada na Tabela 1.
Além disso, foi empregada a redução da resolução das imagens, do tamanho original
360x363 para 64x64, com o intuito de tornar o modelo mais robusto, pois dessa forma,
pode-se simular o cenário da câmera de um celular com câmera de baixa resolução. A
diferença visual pode ser percebida na Figura 3.
Todos os experimentos foram realizados no ambiente Google Collaboratory, que
disponibiliza gratuitamente um notebook Jupyter.
Tabela 1. Tipos e números de células em cada grupo, Acevedo et
al. (2019)
Tipo de célula
Total de imagens por tipo
%
Neutrófilos
3329
19.48
Eosinófilos
3117
18.24
Basófilos
1218
7.13
Linfócitos
1214
7.10
Monócitos
1420
8.31
Granulócitos Imaturos (metamielócitos,
mielócitos e promielócitos)
2895
16.94
Eritroblastos
1551
9.07
Plaquetas
2348
13.74
Total
17092
100
Figura 3. (a) Resolução 360 x 363 e (b) Resolução 64x64.
4. Resultados
Durante os testes da Grid Search para o classificador SVM, o melhor parâmetro de
regularização comparado entre os valores 0.1, 1, 10 e 100 foi igual a 10; a melhor função
Kernel encontrada foi Radial Basis Function (RBF), em comparação com as funções
sigmóide, polinomial e linear.
O modelo proposto alcançou a acurácia média de 97.2%, e o F1-Score médio de 97%
considerando todas as classes; além disso, a matriz de confusão pode ser visualizada na
Figura 4, na qual as linhas representam a classe real, e as colunas a classe predita.
Ao dividir-se cada linha da matriz de confusão pelo número total de amostras de sua
respectiva classe tem-se uma normalização sobre as linhas, isto é, sobre as classes
verdadeiras. Dessa forma, obtêm-se os resultados demonstrados na Figura 5, na qual
percebe-se que os eosinófilos foram classificados corretamente em 99,89% dos testes; os
neutrófilos em 98,30%; e as plaquetas em 100%.
Os granulócitos imaturos foram classificados corretamente em 94,25% dos testes e
foram responsáveis pelas más classificações dos basófilos, em 81%, e dos monócitos, em
95%.
Figura 4: Matriz de confusão do modelo proposto, na qual as linhas representam a classe real
e as colunas a classe predita.
Figura 5: Matriz de confusão normalizada – sobre as linhas – do modelo proposto, na qual as
linhas representam a classe real e as colunas a classe predita.
5. Discussões
Do ponto de vista técnico, é importante observar que o limite de memória RAM no Colab
dificulta realizar experimentos com imagens de alta resolução e os tornam lentos; isso faz
com que tome-se muito tempo para concluí-los e aumenta a possibilidade de ocorrer algum
problema como memory overflow (estouro de memória) e perder todo o processamento.
Acerca dos resultados obtidos, os destaques positivos foram as ótimas taxas de acerto
na classificação das plaquetas, eosinófilos e neutrófilos. Em contrapartida, os destaques
negativos, possivelmente acarretados pelo baixo número de imagens, foram os monócitos,
basófilos e eritroblastos. Ainda que com uma grande quantidade de imagens na classe dos
granulócitos imaturos, houve impactos negativos nas classificações dos monócitos e
basófilos. Ressalta-se que a classe dos granulócitos imaturos é composta por três tipos
celulares distintos com características morfológicas diferentes, o que pode ter prejudicado as
classificações dos monócitos e basófilos.
Outro aspecto positivo que merece destaque foi que os poucos erros de classificação
ocorreram entre classes morfologicamente semelhantes e que podem comumente suscitar
dúvidas em um profissional capacitado.
Acerca da base de dados, percebe-se um desequilíbrio na quantidade de imagens dos
neutrófilos, eosinófilos, plaquetas e granulócitos imaturos sobre as outras classes no dataset.
Como uma base de dados não balanceada pode acarretar em um modelo com alto viés, é
possível que alguns erros de classificação neste trabalho foram acarretados por essa razão.
Em geral, o modelo performou bem, considerando a redução da resolução e o
desbalanço entre a quantidade de imagens em cada classe da base de dados. Além disso, as
taxas de acerto foram maiores do que aquelas apresentadas em muitos trabalhos citados no
estado da arte e que ainda usaram um número menor de classes nos seus algoritmos.
6. Conclusão
Em suma, o objetivo do trabalho consiste na classificação automática de células nucleadas do
sangue periférico, mediante o uso de algoritmos de aprendizado de máquina. O propósito, do
estudo de modelos de classificação será a implementação do aplicativo HemoVision,
idealizado para que os estudantes da área de saúde, especialmente em hematologia, utilizem-o
de forma que possam sanar suas dúvidas rapidamente, tornando o processo de elucidação
eficiente e autônomo. Além disso, por se tratar de uma rede social, será fomentado o interesse
e o debate pelo assunto mediante postagens e comentários da comunidade.
Tendo em vista os resultados obtidos neste trabalho, os algoritmos de aprendizado de
máquina podem ser uma boa ferramenta para auxiliar nas tarefas de classificação de imagens
de microscopia do sangue periférico e serem empregados como suporte aos profissionais e
estudantes, tanto para fins educacionais, quanto para o apoio ao diagnóstico.
Para trabalhos futuros, espera-se conduzir as atividades em três diferentes frentes com
o objetivo de obter melhores resultados na classificação dos monócitos e basófilos: (i) treinar
os algoritmos sem os granulócitos imaturos; (ii) dividir a classe dos granulócitos imaturos em
3 subclasses (metamielócitos, mielócitos e promielócitos); e (iii) usar a técnica de data
augmentation, mais especificamente inversão horizontal e vertical para melhorar o equilíbrio
da quantidade de imagens entre as classes.
7. Referências
Acevedo, A, Alférez, S., Merino, A., Puigví, L., and Rodellar, J. (2019). A dataset of
microscopic peripheral blood cell images for development of automatic recognition
systems. page 1191–1214. Computer Methods and Programs in Biomedicine.
Acevedo, A., Merino, A., Alférez, S., Molina, A., Boldúand, L., and Rodellar, J. (2019).
Recognition of peripheral blood cell images using Convolutional Neural Networks. page
1191–1214. Computer Methods and Programs in Biomedicine.
Almezhghwi, K. and Serte, S. (2020). Improved classification of white blood cells with the
Generative Adversarial Network and Deep Convolutional Neural Network.
Alreza, Z. K. K. and Karimian, A. (2016). Design a new algorithm to count white blood cells
for classification leukemic blood image using machine vision system, pages 251–256. In
Computer and Knowledge Engineering (ICCKE).
Altaf, K., Amber, E., Alexander, C., and Hasan, D. (2021). White blood cell type
identification using multi-layer convolutional features with an Extreme-Learning Machine.
Bain, B. J. (2005). Diagnosis from the blood smear. page 498–507. New England Journal of
Medicine.
Bo, B., Li, Y., Li, W., Wang, Y., and Tong, S. (2018). Optogenetic excitation of ipsilesional
sensorimotor neurons is protective in acute ischemic stroke: a laser speckle imaging study.
page 1372–1379. IEEE Trans.Biomed. Eng. 66(5).
Chabot-Richards, D. S. and Foucar, K. (2017). Does morphology matter in 2017? an
approach to morphologic clues in non-neoplastic blood and bone marrow disorders. pages
23–30. Int J Lab Hem. 39(Suppl. 1).
Chen, S., Billings, S. A., and Grant, P. M. (1990). Non-linear system identification using
neural networks. page 1191–1214. International Journal of Control.
Duan, Y., Wang, J., Hu, M., Zhou, M., Li, Q., Sun, L., Qiu, S., and Wang, Y. (2019).
Leukocyte classification based on spatial and spectral features of microscopic
hypers-pectral images. page 530–538. Optics LaserTechnology 112.
Failace, R. and Fernandes, F. (2015). Hemograma: manual de interpretação. Artmed, 6th
edition.
Gautam, A. and Bhadauria, H. (2014). White blood nucleus extraction using k-mean
clustering and mathematical morphing. page 549–554. Confluence The Next Generation
Information Technology Summit (Confluence).
He, J., Baxter, S., Xu, J., Zhou, X., and Zhang, K. (2019). The practical implementation of
artificial intelligence technologies in medicine. Nature Medicine.
Irvin, J., Rajpurkar, P., Ko, M., Yu, Y., Ciurea-Ilcus, S., Chute, C., Marklund, H., Hagh-goo,
B., Ball, R., and Shpanskaya, K. (2019). Chexpert: a large chest radiograph dataset with
uncertainty labels and expert comparison. arXiv:1901.07031.
Isensee, F., Kickingereder, P., Wick, W., Bendszus, M., and Maier-Hein, K. H. (2018). No
new-net. page 234–244. International MICCAI Brain lesion Workshop. Springer.
Jordan, M. and Mitchell, T. (2015). Machine learning: trends, perspectives, and prospects.
page 255–260. Science 349(6245).
Jun, G., Qian, J., Bo, Z., and Daozheng, C. (2019). Convolutional neural networks for
computer-aided detection or diagnosis in medical image analysis: an overview. pages
6536–6561. Mathematical Biosciences and Engineering.
Kononenko, I. (1994). Estimating attributes: Analysis and extensions of relief. In Machine
Learning: ECML-94, pages 171–182.
Liang, G., Hong, H., Xie, W., and Zheng, L. (2018). Combining Convolutional Neural
Network with recursive neural network for blood cell image classification. pages
36188–36197. IEEE Access.
Liu, Q., Chen, S., Soetikno, B., Liu, W., Tong, S., and Zhang, H. (2017). Monitoring acute
stroke in mouse model using laser speckle imaging-guided visible-light optical coherence
tomography. page 2136–2142. IEEE Trans. Biomed. Eng. 65(10).
Ma, L., Shuai, R., and Ran, X. E. A. (2020). Combining DC-GAN with resnet for blood cell
image classification. page 1251–1264. Med Biol Eng Comput 58.
Perez, L. and Wang, J. (2017). The effectiveness of data augmentation in image classification
using deep learning.
Puttamadegowda, J. and Prasannakumar, S. (2016). White Blood cell segmentation using
Fuzzy C means and snake. page 47–52. Computation System and Information Technology
for Sustainable Solutions (CSITSS).
Rawat, W. and Wang, Z. (2017). Deep Convolutional Neural Networks for image
classification: A comprehensive review. page 2352–2449. Neural computation, v. 29, n. 9.
Universidade
de
Toronto
(2019).
https://www.cs.toronto.edu/~kriz/cifar.html.
The
cifar
dataset.
Weber, E. U. and Coskunoglu, O. (1990). Descriptive and prescriptive models of decisionmaking: implications for the development of decision aids. pages 310–317. IEEE
transactions on Systems, Man, and Cybernetics.
Wibawa and S., M. (2018). A comparison study between deep learning and conventional
machine learning on white blood cells classification. International Conference on Orange
Technologies.
Yao, X. (2021). Classification of white blood cells using weighted optimized deformable
convolutional neural networks.
Özgün, Ç., Abdulkadir, A., Lienkamp, S., Brox, T., and Ronneberger, O. (2016). 3D U-net:
learning dense volumetric segmentation from sparse annotation. page 424–4329.
International conference on medical image computing and computer-assisted intervention.
Springer.